Show simple item record

Προβλεπτική συντήρηση μηχανημάτων με περιστρεφόμενα μέρη χρησιμοποιώντας τα συνελικτικά νευρωνικά δίκτυα

dc.contributor.advisorZACHARIA, PARASKEVI
dc.contributor.authorΑπειρανθίτης, Σταμάτιος
dc.date.accessioned2023-07-06T10:17:05Z
dc.date.available2023-07-06T10:17:05Z
dc.date.issued2023-06-09
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/4589
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-4427
dc.description.abstractΣύμφωνα με το World Economic Forum, το 90% του παγκόσμιου εμπορίου μεταφέρεται δια θαλάσσης με εμπορικά πλοία. Τα πλοία κάθε είδους, αποτελούνται από δεκάδες πολύπλοκα μηχανήματα, κοινός παράγοντας των οποίων είναι τα περιστρεφόμενα μέρη και οι ηλεκτρικοί κινητήρες, τα οποία λειτουργούν σε ένα σύνθετο περιβάλλον με αυξημένη θερμοκρασία και υγρασία, κραδασμούς, κόπωση, και φορτίο. Μία βλάβη ή δυσλειτουργία ενός εκ των μηχανημάτων αυτών, μπορεί να έχει σημαντικές επιπτώσεις στη λειτουργία, αλλά ακόμη και στη ασφάλεια του πλοίου και κατά συνέπεια στην ασφάλεια του πληρώματος και του περιβάλλοντος. Η ναυτιλιακή βιομηχανία ξοδεύει τεράστια ποσά στην προληπτική συντήρηση και επισκευή, ώστε να διατηρεί τα πλοία όχι μόνο αξιόπλοα, αλλά πάνω από όλα ασφαλή. Στην παρούσα εργασία θα παρουσιάσουμε τα οικονομοτεχνικά οφέλη της προγνωστικής συντήρησης σε σχέση με την προληπτική και την επισκευαστική συντήρηση που ως σήμερα εφαρμόζεται στα πλοία. Θα δούμε, πως μελετώντας την πραγματική λειτουργική κατάσταση ενός μηχανήματος και εκμεταλλευόμενοι την σύγχρονη τεχνολογία και την Τεχνητή Νοημοσύνη, μπορούμε να προβλέψουμε πιθανές βλάβες, σε αρχικό ακόμα στάδιο, παρέχοντας έτσι τον απαραίτητο χρόνο για τον σωστό προγραμματισμό της απαραίτητης συντήρησης ή επισκευής. Στην πορεία της εργασίας θα προτείνουμε και αναπτύξουμε ένα συνελικτικό νευρωνικό δίκτυο, το οποίο θα το τροφοδοτήσουμε με ακατέργαστες μετρήσεις κραδασμών που έχουν συλλεγεί από τους σφαιροτριβείς ενός κινητήρα σε εργαστηριακό περιβάλλον. Στη συνέχεια θα μελετήσουμε αν και πως το προτεινόμενο δίκτυο μπορεί να ανιχνεύσει τη λειτουργική κατάσταση των σφαιροτριβέων, αλλά και να κατηγοριοποιήσει τυχών βλάβες. Τα συνελικτικά νευρωνικά δίκτυα αποτελούν τομέα των τεχνητών νευρωνικών δικτύων και της βαθιάς μάθησης και στις μέρες μας τυγχάνουν ιδιαίτερης προσοχής στο χώρο της αναγνώρισης εικόνων και φωνής.el
dc.format.extent161el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.publisherΠανεπιστήμιο Αιγαίουel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΠροβλεπτική συντήρησηel
dc.subjectΤεχνητά νευρωνικά δίκτυαel
dc.subjectΣυνελικτικά νευρωνικά δίκτυαel
dc.subjectΒαθιά μάθησηel
dc.subjectΠρογνωστική συντήρησηel
dc.subjectPredictive maintenanceel
dc.subjectPreventive maintenanceel
dc.subjectArtificial neural networksel
dc.subjectConvolutional neural networkel
dc.subjectDeep learningel
dc.subjectVibrationsel
dc.titleΠροβλεπτική συντήρηση μηχανημάτων με περιστρεφόμενα μέρη χρησιμοποιώντας τα συνελικτικά νευρωνικά δίκτυαel
dc.title.alternativeRotating machinery condition based maintenance utilizing convolutional neural networksel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeΠαπουτσιδάκης, Μιχαήλ
dc.contributor.committeeDrosos, Christos
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγήςel
dc.contributor.masterΝέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορέςel
dc.description.abstracttranslatedAccording to the World Economic Forum, 90% of global trade is transferred by merchant vessels by sea. The vessels of all kinds consist of dozens of complex machineries, the common factor of which are the rotating parts and the electric motors that operate continuously in a harsh environment with excess temperature and humidity, vibration, fatigue, and load. A breakdown or malfunction of one of these machineries can significantly impact the vessel’s operation and safety, and consequently, the safety of the crew and the environment. To maintain operational efficiency and seaworthiness, the shipping industry invests substantial resources in preventive maintenance and repairs. This research, aims to present the economic and technical benefits of predictive maintenance over to traditional preventive maintenance and repair by replacement approaches in the maritime domain. By leveraging modern technology and Artificial Intelligence, we can analyze real-time operating conditions of machinery, enabling early detection of potential damages and allowing for effective planning of future maintenance and repair activities. In the course of the paper, we will propose and develop a Convolutional Neural Network, which it will be fed with raw vibration measurements had been acquired in laboratory environment from the ball bearings of a motor. Then, we will investigate whether the proposed network can accurately detect the functional state of ball bearings and categorize any possible failures present, contributing to improved maintenance practices in the shipping industry. Convolutional Neural Networks belong in the field of Artificial Neural Networks and Deep Learning, and nowadays, they are receiving researchers’ attention in the field of image and voice recognition.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές